Immaginate un mondo in cui un cane robotico non ha bisogno di un telecomando, di un joystick o di uno script pre-programmato per sapere cosa fare. Invece, ascolta la voce umana. Questa è la frontiera di un campo chiamato robotica, dove gli ingegneri insegnano alle macchine a muoversi attraverso mondi complessi e irregolari. Per anni, il modo più affidabile per far camminare un robot a quattro zampe è stato quello di fornirgli un modello matematico rigido del proprio corpo e del terreno sottostante. Sebbene questo funzioni bene su pavimenti piatti, spesso fallisce quando il terreno diventa accidentato o la situazione cambia inaspettatamente. Un approccio più recente, noto come apprendimento per rinforzo profondo (deep reinforcement learning), ha cambiato le regole del gioco. Invece di fare affidamento su un insieme fisso di regole, questi robot imparano a camminare attraverso tentativi ed errori, proprio come un cucciolo che impara ad alzarsi in piedi, scoprendo infine modi stabili di muoversi che nessun ingegnere umano avrebbe potuto progettare a mano. La sfida che rimane è come parlare a questi sistemi appresi. Dare a un robot un comando semplice come "vai avanti" è facile, ma chiedere di "camminare lentamente verso sinistra evitando un dosso" richiede un ponte tra il linguaggio umano e il controllo motorio di basso livello del robot.

Ricercatori dell'Istituto di Tecnologia di Harbin hanno costruito un sistema che crea questo ponte, permettendo a un robot quadrupede di seguire comandi in linguaggio naturale a forma libera. Il loro lavoro, dettagliato in uno studio recente, presenta un metodo in cui un robot ascolta una frase, capisce cosa vuole la persona e regola immediatamente il proprio stile di camminata per adattarsi a quell'intento. Il sistema non si basa su una libreria pre-scritta di movimenti specifici, come un "trotto" o un "galoppo", tra cui il robot debba scegliere. Invece, traduce le parole direttamente in regolazioni continue di velocità e direzione. Quando un utente dice "cammina avanti lentamente", il cervello del robot comprende che deve ridurre la sua velocità in avanti mantenendo l'equilibrio, ed esegue questo cambiamento in tempo reale. Ciò viene ottenuto combinando due tecnologie distinte: un elaboratore del linguaggio che comprende il parlato umano e un algoritmo di apprendimento che controlla i muscoli del robot.

La parte linguistica del sistema funge da traduttore. Prende una frase come "gira a sinistra bruscamente" e la scompone in due pezzi di informazione: l'obiettivo generale, che è girare, e i numeri specifici necessari per farlo, come la velocità di rotazione. I ricercatori hanno utilizzato una versione leggera di un moderno modello linguistico per svolgere questo compito. Questo modello è stato addestrato su migliaia di esempi di comandi accoppiati con le corrette azioni del robot. È progettato per essere abbastanza veloce da poter girare su un robot senza rallentarlo. Una volta che il sistema ha compreso il comando, trasmette questa informazione al cervello di controllo del robot. Questo cervello di controllo è una rete neurale che è stata addestrata a camminare utilizzando un metodo chiamato ottimizzazione della politica prossimale (proximal policy optimization). Questo processo di addestramento prevede che il robot provi a camminare in una simulazione computerizzata ad alta fedeltà, ricevendo ricompense per rimanere in piedi e muoversi in modo efficiente, migliorando gradualmente la propria strategia attraverso milioni di tentativi.

Ciò che rende unico questo nuovo sistema è il modo in cui collega il traduttore linguistico al controllore del cammino. Invece di costringere il robot a scegliere da un menu limitato di comportamenti predefiniti, il sistema utilizza l'input linguistico per spingere delicatamente gli obiettivi del robot e il suo sistema di ricompensa. Se il comando è di muoversi lentamente, il sistema regola la velocità target del robot e cambia il modo in cui valuta il proprio successo, rendendo i passi lenti e cauti più gratificanti rispetto a quelli veloci e rischiosi. Ciò consente al robot di adattare la sua andatura continuamente. Può camminare in avanti, poi rallentare, poi girare a sinistra, tutto basandosi su un singolo flusso di istruzioni vocali. Per garantire che questo sistema funzioni non solo in un computer ma su una macchina reale, i ricercatori hanno impiegato una strategia di insegnamento. Hanno prima addestrato un robot "insegnante" altamente capace nella simulazione con accesso a informazioni perfette sul mondo, come l'attrito esatto del terreno. Successivamente, hanno addestrato un robot "studente" per imitare le azioni dell'insegnante usando solo i dati sensoriali rumorosi e imperfetti che un vero robot avrebbe. Questo processo ha aiutato lo studente a imparare a essere robusto contro le realtà disordinate del mondo fisico.

Il team ha testato ampiamente il proprio sistema in simulazione e su un vero robot Unitree A1, una macchina a quattro zampe piccola e agile. Nelle simulazioni al computer, il robot ha seguito con successo una vasta gamma di comandi, incluse istruzioni complesse come "cammina lentamente verso sinistra" o "aggira l'ostacolo velocemente". Il sistema ha mostrato un alto tasso di successo, con il robot che completava compiti di base come camminare in avanti o girare a sinistra più del 96% delle volte nella simulazione. Quando i ricercatori hanno spostato il sistema sul robot reale, i risultati sono rimasti solidi. Il robot è stato in grado di camminare in avanti, girare e fermarsi su comando con un tasso di successo superiore al 93% per la maggior parte delle azioni. Il sistema si è anche dimostrato efficiente dal punto di vista energetico, utilizzando meno energia per passo rispetto ai metodi di controllo tradizionali o ad altri approcci basati sull'apprendimento che non utilizzavano questo specifico condizionamento linguistico. I ricercatori hanno notato che il robot poteva adattare i suoi movimenti in meno di un secondo dopo aver ricevuto un nuovo comando, dimostrando una fluidità di risposta difficile da ottenere con i vecchi metodi di controllo.

Tuttavia, lo studio evidenzia anche i confini di ciò che è attualmente possibile. Il sistema funziona meglio con comandi chiari e diretti relativi al movimento e alla velocità. Non è ancora progettato per gestire conversazioni lunghe e complesse o istruzioni altamente ambigue come "fai qualcosa di figo". Se un utente dà un comando che il robot non può fisicamente eseguire, come "vola sulla luna", il sistema non è ancora abbastanza intelligente da chiedere chiarimenti o spiegare perché la richiesta è impossibile. I ricercatori hanno scoperto che, sebbene il robot sia molto bravo a seguire specifiche istruzioni di movimento, la sua capacità di generalizzare a tipi di linguaggio o ambienti completamente nuovi è ancora limitata dai dati su cui è stato addestrato. Anche i test nel mondo reale sono stati relativamente brevi e si sono svolti in condizioni controllate, il che significa che la affidabilità a lungo termine del sistema in ambienti esterni imprevedibili non è ancora stata pienamente dimostrata.

Nonostante queste limitazioni, il lavoro rappresenta un passo significativo verso un'interazione uomo-robot più naturale. Dimostrando che un robot può imparare a camminare e poi essere guidato dal semplice parlato senza bisogno di una libreria di trucchi pre-programmati, i ricercatori hanno delineato una strada verso macchine con cui è più intuitivo lavorare. Il sistema non richiede all'utente di imparare un nuovo codice o un set specifico di comandi; semplicemente ascolta e risponde. Il successo del metodo di addestramento insegnante-studente nel trasferire le competenze dalla simulazione al mondo reale suggerisce che questo approccio potrebbe essere scalato su robot più complessi in futuro. Man mano che la tecnologia matura, il divario tra l'intento umano e l'azione della macchina potrebbe continuare a ridursi, permettendo ai robot di diventare veri partner in ambienti dinamici e impegnativi.